Der er et berømt citat, jeg godt kan lide at henvise til, når jeg taler om marketingmåling: Halvdelen af de penge, jeg bruger på annoncering, er spildt; problemet er, at jeg ikke ved hvilken halvdel."
De fleste marketingfolk har svært ved at retfærdiggøre deres arbejdes indvirkning på virksomhedens bundlinje. Og det er ligegyldigt, hvilke værktøjer til marketingmåling vi bruger.
Det er derfor, vi bliver ved med at opfinde nye begreber og ord som 'efterspørgselsgenerering' og 'skjulte sociale kanaler', fordi vi gerne vil undgå at tage ansvar for eller ejerskab over tallene. Ja, jeg sagde det!
Det betyder ikke, at det er umuligt at måle marketingsucces, eller at det ikke bør måles.
Marketingfolk er nødt til at tænke mere som økonomifolk og mindre som marketingfolk for at 'få en plads ved bordet' (det vil sige i ledelsen). Lad os definere marketingmåling, hvad det betyder, og hvorfor det er vigtigt.
Hvad er marketingmåling egentlig?
Kort sagt handler det om at måle marketings langsigtede og kortsigtede effekter på virksomheden. Jeg kan godt lide at opdele det i tidshorisonter, fordi det er sådan, marketing fungerer.
Nogle aktiviteter skaber kortsigtede resultater (salg, leads, SQL'er), mens andre skaber langsigtede resultater (genkaldelse, kendskab, markedsandel – selvom den bedste måde at opnå større kendskab, genkaldelse og markedsandel måske er at … sælge flere produkter til flere mennesker).
Hvorfor er det vigtigt?
Så du ved, hvor du skal bruge din næste krone. Hvis du lægger en kvartals- eller årsplan, har ansvar for en omsætnings- eller mulighedsskabende målsætning eller skal forsvare budgettet for din næste ABM-kampagne, skal du med stor sikkerhed vide, hvor du vil opnå hvilke resultater.
Du skal modellere din salgstragt for at forstå, hvilke kanaler der skaber hvilke tal.
Hvordan potentielle kunder konverterer længere nede i salgstragten, og tidligere resultater, er nogle gange de bedste indikatorer for fremtidige resultater – så lav nogle velovervejede satsninger og nogle joker-satsninger.
Sagt på en anden måde – marketingmåling hjælper dig med at besvare spørgsmålet: "Hvis du havde 100M, hvor ville du så bruge dem'? (måske er svaret en Super Bowl-reklame).
Hvordan MÅLER du marketing?
Kort svar: Med modeller
Men lad os først tale om noget, der ofte overses, og som er afgørende for at forstå dette emne bedre – inkrementalitet.
Lad os begynde med en enkel analogi om en pizzabutik, som nogen brugte til at forklare mig dette.
Forestil dig, at du ejer en pizzabutik, og at du har kuponer på $5. Du ansætter 2 personer til at dele disse flyers ud og giver dem en bonus baseret på, hvor mange kunder der dukker op for at købe pizza med en kupon i hånden.
Person A går ned ad gaden og deler flyers ud til så mange forbipasserende som muligt. Imens står person B ved døren til pizzabutikken og deler flyers ud til folk, der kommer ind for at købe pizza.
Hvilken person 'skaffede flest kuponer'?
Person B – en kunde, der alligevel går ind for at købe pizza, vil sandsynligvis tage imod kuponen med $5 i rabat. Men kunden ville have købt pizza uanset om vedkommende havde kuponen eller ej (kunden var allerede gået ind ad døren).
Person A skaffede derimod flere mennesker, som ikke ville have købt en pizza uden kuponen på $5.
Person A skabte flere 'nye kunder' eller inkrementelt salg, mens person B skabte mindre inkrementelt salg.
Så selvom person B ville vinde prisen for flest uddelte kuponer og solgte pizzaer, ville 90 % af disse mennesker have købt pizzaen alligevel.
Hvorfor taler jeg om pizza? Fordi inkrementalitet er et svært begreb at håndtere inden for marketing. Hvor mange af vores salg, der er drevet af marketing, var inkrementelle sammenlignet med det, de ville have købt alligevel (uden at deltage på messen eller tilmelde sig webinaret osv.)? Det kommer vi lidt ind på nedenfor.
Forventede du noget om værktøjer til marketingattribuering? LOL.
Okay, med udgangspunkt i det vigtige begreb inkrementalitet inden for marketing, lad os se nærmere på de forskellige metoder, der bruges til marketingmåling. Disse metoder har til formål at kvantificere effekten af marketingaktiviteter og hjælpe virksomheder med at fordele deres budgetter mere effektivt.
Hvis du forstår disse metoder, kan du arbejde med marketing ud fra en mere analytisk og økonomisk ansvarlig tankegang.
Modellering af marketingmix (MMM)
Modellering af marketingmix (MMM) er en statistisk analyseteknik, der evaluerer historiske data for at fastslå forskellige marketingtaktikkers indvirkning på salget og derefter forudsiger effekten af fremtidige kombinationer af taktikker.
Den tager højde for flere variabler, herunder økonomiske forhold, konkurrence, marketingforbrug osv.
MMM giver indsigt i effektiviteten af hver marketingkanal over lange tidsperioder og hjælper med at forstå, hvordan forskellige marketingmixkomponenter bidrager til salget. Det er nyttigt til fordeling af budgetter på tværs af marketingkanaler på højt niveau og til langsigtet strategisk planlægning.
For MMM har du brug for et stort datasæt for at afprøve, hvordan forskellige statistiske modeller forklarer og passer til dataene, og hvilken model der har den højeste sikkerhed (dvs. forklarer dataene og udsvingene bedst. Også kaldet et mindre risikabelt valg).
For at opnå bedre modeller er det ideelt at bruge data med højere opløsning, f.eks. daglige data, som vil passe bedre end månedlige data, eftersom der er flere datapunkter.
Fordelen ved MMM er, at det går videre end blot onlinekanaler og kan vise effekten af den billboardkampagne til 100K på bundlinjen.
Problemet med MMM er, at der ligesom i de fleste B2B-virksomheder ikke er tilstrækkeligt med data. Det kan f.eks. være en virksomhed, der sælger til en virksomhedskunde, som kun indgår tre aftaler om året.
MMM egner sig også bedre til mere årlige eller kvartalsvise analyser og mindre til optimering af marketing på ugentlig eller månedlig basis.
Eksempler på MMM i praksis
Hos 42 Agency bruger vi marketingmixmodeller for vores kunder og udfører avancerede analyser for at finde indsigt ud over attribuering baseret på første og sidste kontaktpunkt.
En af vores kunder, som bruger omkring $1M månedligt på medier, brugte en betydelig del af sit budget på annoncer for brandbevidsthed på Meta og rækkeviddeannoncer på LinkedIn. Vi udførte en analyse for at besvare nogle få spørgsmål:
- Skabte Meta og Linkedin MQL/SQL'er? (Svaret var ja)
- Havde forbruget på rækkevidde- og brandbevidsthedsannoncer en positiv indvirkning på SQL'erne / MQL'erne? (Svaret var ikke så positivt, som vi havde troet. I nogle tilfælde havde det en negativ effekt, dvs. vi genererede sandsynligvis færre MQL'er ved at bruge penge på rækkevidde / brandbevidsthed)
- Hvad er annoncebeholdningen for de forskellige kanaler, dvs. hvor længe husker folk annoncen efter at have set den? (FB har den højeste annoncebeholdning, Adwords den laveste)
- Hvad er vores punkt for aftagende afkast? Dvs. for hver ekstra $$, vi bruger på forskellige kanaler – hvad er den forventede konvertering og pris pr. konvertering? (Forbrug ud over et vist punkt gav færre konverteringer til en relativt højere CPA)
Korrelation er ikke det samme som årsagssammenhæng, men det giver en interessant fortælling.
Hos en anden kunde investerede vi stort i videoannoncer på YouTube.
YouTube har en meget lav CVR (konverteringsrate for klik), fordi 80 % af YouTube-annoncer vises på tv-skærme. Men de er fremragende til at fortælle en brandhistorie, som annoncer med direkte respons, f.eks. Google Ads eller Meta, ikke kan.
Selvom vi ikke direkte kunne knytte YouTube-forbruget til konverteringer via CVR, var der en tydelig korrelation mellem visningsperioderne for YouTube-annoncer og konverteringer fra direkte/organisk trafik. Denne korrelation betød, at vores annoncer fik potentielle kunder til at tilmelde sig via andre kanaler.
Have an account? Log In
Attribuering på tværs af flere kontaktpunkter (MTA)
Modeller for attribuering på tværs af flere kontaktpunkter (MTA) tildeler hvert kontaktpunkt, som en kunde møder på sin vej mod en konvertering, en del af æren. I modsætning til MMM, som ser på marketingmixet på makroniveau, arbejder MTA på mikroniveau og analyserer effektiviteten af specifikke digitale marketingindsatser – såsom din B2B-e-mailmarketing, annoncer eller SEO / organisk trafik – i forhold til en konvertering.
MTA hjælper marketingfolk med at forstå, hvilke kontaktpunkter der er mest effektive til at skabe konverteringer, hvilket giver mulighed for en mere detaljeret optimering af marketingforbruget.
MTA giver os f.eks. mulighed for at afsætte flere midler til LinkedIn Ads næste måned, fordi rapporten for de seneste 30 dage viste, at kanalen havde en højere konvertering til salgsmuligheder end Google Ads.
Hvor MMM kan opfange en tilstrækkelig stigning i resultaterne uden direkte klikbaserede data, har MTA brug for klik og sporing (i browseren eller på serversiden) for at forbinde kontaktpunkterne og opbygge en kunderejse.
Det største problem med MTA er, at det i høj grad afhænger af UTM-sporing, klik og cookies, som i stigende grad udfases.
Det er vigtigt at bemærke, at MTA ikke er afhængig af tredjepartscookies (som i højere grad bruges til annoncering), men af førstepartscookies (1P). Men selv med 1P-cookies sletter browsere som Safari dem efter syv dage. I en verden, hvor potentielle kunder i højere grad bruger flere enheder, blokerer browsere scripts og fjerner UTM-links.
Med andre ord bliver MTA-sporing mere kompleks, og nøjagtigheden er uklar.
Hvis du bruger et cookie-banner til at få besøgendes samtykke, men den besøgende vælger ikke at give samtykke, vil du ikke kunne spore henvisningsdata eller andre data om, hvordan vedkommende kom til dit websted.
I dine analyser vil det blive vist som et 'direkte besøg'. Kun 31 % af de besøgende accepterer cookies, så næsten 70 % af dine besøg vil blive vist som 'direkte'.
Jeg kan blive ved i dagevis, men lad os komme tilbage på sporet og se nærmere på nogle MTA-modeller og deres anvendelse.
Almindelige modeller for multi-touch-attribution (MTA)
Her er de mest almindelige MTA-modeller, jeg er stødt på i min tid som B2B-marketingmedarbejder. Og hvordan man bruger dem.
1. Modellen med første kontaktpunkt
Modellen med første kontaktpunkt tilskriver 100 % af konverteringskreditten til det første kontaktpunkt i kunderejsen.
Denne model bygger på princippet om, at den indledende interaktion er den mest kritiske, eftersom den introducerer kunden til brandet eller produktet og danner grundlaget for al efterfølgende interaktion.
Anvendelse: Denne model er nyttig til at evaluere effektiviteten af aktiviteter øverst i salgstragten, såsom kampagner til øget brandbevidsthed. Den hjælper os med at forstå, hvordan vi kommer på folks radar (dvs. skaber opmærksomhed)
Sådan bruger du den: I HubSpot kaldes dette Oprindelig kilde i den standarddatamodel, der følger med. HubSpot-/analyseværktøjer gemmer oplysninger om første gang, nogen besøger dit website, i en cookie og knytter dem til et lead, når personen konverterer.
Hvis du bruger UTM'er, er dette typisk den UTM, der blev registreret, første gang nogen besøgte dit website (ikke kun udfyldte en formular). Du kan spore dette i Google Analytics (UA) under Modelsammenligning > Første klik. GA4 har fjernet disse muligheder.
2. Modellen med sidste kontaktpunkt
Modellen med sidste kontaktpunkt tildeler omvendt al konverteringskredit til det sidste kontaktpunkt, før konverteringen finder sted. Denne model antager, at den afsluttende interaktion er den vigtigste, eftersom den ligger tættest på konverteringen.
Anvendelse: Ideel til vurdering af effekten af aktiviteter nederst i salgstragten, såsom retargeting eller søgeannoncer. Den fremhæver, hvilke kanaler og budskaber der er mest effektive til at skabe konverteringen i sidste led.
Men dette favoriserer kanaler med høj købsintention som Google Ads frem for TOFU-kanaler som LinkedIn, Meta eller indhold. Selvom kunder måske opdager dig via en Meta-annonce på Instagram, vil Google Ads få 100 % af kreditten, hvis du kun bruger en model med sidste kontaktpunkt. Det kan føre dig til den fejlagtige konklusion, at Meta Ads ganske enkelt ikke virker.
Sådan bruger du den: Det er det, Seneste kilde i HubSpot repræsenterer, eller – hvis du bruger UTM'er – den UTM, der registreres i formularen (ved indsendelse af formularen). Selvom dette kunne være et længere essay, er Seneste kilde i HubSpot en tæt tilnærmelse til den potentielle kundes sidste kontaktpunkt, før vedkommende konverterede. Google Analytics (UA & GA4) understøtter modellering med sidste kontaktpunkt i deres værktøj til modelsammenligning (sidste klik).
3. Den lineære model
Den lineære model fordeler kredit ligeligt på alle kontaktpunkter i kunderejsen.
Denne model antager, at hver interaktion bidrager lige meget til den endelige beslutning, fra den første interaktion til konverteringshændelsen. Den er nem at implementere, men tager muligvis ikke tilstrækkeligt højde for effekten af mere indflydelsesrige kontaktpunkter.
Anvendelse: Bedst, når du ønsker en enkel tilgang, der anerkender hvert kontaktpunkt uden at prioritere en bestemt interaktion. Den egner sig til virksomheder med en flad, lineær kunderejse.
Sådan bruger du den: Mange tredjepartsværktøjer til attribution understøtter lineære modeller. Den var tilgængelig som en mulighed i GA UA, men GA4 understøtter den ikke. Bruger du HubSpot Pro / Enterprise? Så kan du også opbygge lineære attributionrapporter med Attribution Reporting.
4. U-formmodellen (positionsbaseret model)
U-formmodellen eller den positionsbaserede model tildeler mere kredit til det første og sidste kontaktpunkt, typisk omkring 40 % til hver, mens de resterende 20 % fordeles mellem de midterste interaktioner. Denne model anerkender, at det første og sidste kontaktpunkt har højere prioritet.
Anvendelse: Nyttig til marketingstrategier, der lægger vægt på betydningen af førstehåndsindtryk og afsluttende interaktioner, såsom i brancher med kortere salgscyklusser eller ved lancering af nye produkter.
Sådan bruger du den: Mange tredjepartsværktøjer til attribution understøtter U-modeller. I den nu udfasede Universal Analytics var den tilgængelig som en mulighed. Men GA4 understøtter den ikke.
Hvis du bruger HubSpot Pro / Enterprise, kan du også opbygge U-attributionrapporter med funktionen Attribution Reporting.
5. W-formmodellen
Som en udvidelse af U-formen omfatter W-formmodellen tre kritiske faser i kunderejsen:
- Det første kontaktpunkt (introduktion)
- Oprettelse af et lead (engagement midt i rejsen)
- Og oprettelse af en salgsmulighed (beslutning).
Hvert afgørende kontaktpunkt får en betydelig del af tilskrivningen (normalt omkring 30 % hver), mens de resterende 10 % fordeles på andre interaktioner.
Anvendelse: Ideel til virksomheder med længere salgscyklusser, der involverer flere engagementsfaser, såsom B2B-virksomheder, hvor den indledende kontakt, kvalificeringen af leads og de endelige forhandlinger alle er afgørende faser.
Sådan bruges den: Brug tredjepartstilskrivning til at modellere dette og forstå de tre vigtigste milepæle i en potentiel kundes rejse (dvs. lead/SQL/lukket vundet) for at identificere, hvad der driver TOFU/konvertering og lukket vundet.
6. Den datadrevne (algoritmiske) model
Den datadrevne model bruger algoritmer og maskinlæring til at analysere alle kontaktpunkter og tildeler tilskrivning baseret på den faktiske observerede effekt af hver interaktion.
I modsætning til regelbaserede modeller justerer denne tilgang sig dynamisk, så den afspejler den varierende indflydelse fra hvert kontaktpunkt på tværs af forskellige scenarier og kundesegmenter.
Anvendelse: Bedst for organisationer, der har adgang til store datasæt og de analytiske kompetencer til at behandle komplekse modeller. Den giver den mest personlige og nøjagtige tilskrivning, men kræver betydelige ressourcer.
Sådan bruges den: Gjort populær af Google Ads. Jeg tror ikke, at mange B2B-virksomheder har tilstrækkeligt store datamængder til, at dette er meningsfuldt.
7. Tidsforfaldsmodellen
Tidsforfaldsmodellen tildeler kontaktpunkter tættere på konverteringen mere tilskrivning baseret på antagelsen om, at senere interaktioner har større indflydelse på beslutningsprocessen.
Tilskrivningen aftager eksponentielt eller lineært for ældre kontaktpunkter.
Anvendelse: Velegnet til kampagner, der fokuserer på at skabe hurtige konverteringer, hvor det antages, at interaktionens aktualitet har større indflydelse på kundens beslutning.
Sådan bruges den: Brug denne model sammen med HubSpot Attribution eller tredjepartsværktøjer til at forstå salgshastigheden pr. kanal.
Nogle ekstra bemærkninger om forståelse af modeller for multitilskrivning
Hvis vi ser ud over modellerne, er det vigtige, at vi forstår MTA som en måde at få indsigt i de kanaler, der driver TOFU-kendskab, i modsætning til blot BOFU-konverteringer.
I vores arbejde med B2B-brands ser vi ofte, at Google Ads driver 80 % af konverteringerne i en model baseret på det sidste kontaktpunkt (som er almindeligt anvendt). Men efter en vis modellering bliver det tydeligt, at betalt social, SEO, indhold, YouTube osv. driver TOFU-kendskab, som omsættes til Google Ads og konverteringer i sidste led.
En potentiel kunde hører måske om et brand i en YouTube- eller Meta-/LinkedIn-annonce uden at konvertere, men frekvensen er høj nok til, at den samme potentielle kunde googler et kategori- eller brand-søgeord, klikker på et Google Ads-link og konverterer.
Det sidste kontaktpunkt ville give Google Ads 100 % af tilskrivningen, mens det første kontaktpunkt ville give YouTube eller Meta tilskrivningen, men sandheden er, at de begge arbejdede sammen om at skabe konverteringen.
Men vent. Glem ikke inkrementalitet.
MTA er fantastisk, og det fortæller os, hvilke handlinger/interaktioner den potentielle kunde havde, som i sidste ende resulterede i konverteringen.
Det besvarer dog ikke spørgsmålet: Ville denne person have købt noget alligevel?
En af vores kunder havde en stor andel af deres trafik fra Google Ads (typisk for en B2B-virksomhed), men 70 % af deres søgebudget var afsat til brandede søgninger (dvs. nogen søgte efter deres brandnavn).
Vi (42 Agency) havde en hypotese om, at 90 % af dem, der konverterede via brandede søgninger, ville have konverteret alligevel via den organiske SERP.
Vi reducerede langsomt budgettet til brandede søgninger og geninvesterede det i kategori-/anvendelsessøgeord og andre kanaler. Mens antallet af konverteringer fra Google Search faldt, steg antallet af konverteringer fra organisk søgning betydeligt, hvilket bekræftede vores hypotese om, at brandede søgninger ikke var inkrementelle.
Før du går på gaden for at afskaffe alle kampagner med brandede søgninger, skal du vide, at de har deres berettigelse – især hvis du befinder dig på et konkurrencepræget marked (f.eks. CRM-, PM-værktøjer, ATS osv.).
Det hjælper dig med at »forsvare« dit brand mod konkurrenter og optage ekstra plads på en side.
Når vi taler om branded søgning – mange marketingfolk holder sig fra at måle brands, men det er en fejl. Brands bør og kan måles; de skal indgå i en samlet måleramme for marketing.
Men hvordan gør man helt præcist det?
Hvordan måler man et brand?
Ironisk nok er den mest almindelige måde, B2B-folk måler brand på, "direkte trafik", hvilket er en smule misvisende.
I bedste fald repræsenterer direkte trafik ikke en person, der er bevidst om brandet. I modsætning til den gængse opfattelse er direkte trafik blot enhver trafikkilde (krypteret eller ej), hvor webanalysen ikke kan registrere en henvisning.
Det er ikke en person, der skriver din hjemmeside ind i adresselinjen.
Et bedre mål kunne være branded søgeforespørgsler (tilgået via Google / Bing Search Console), men selv da er det ikke den mest præcise måde at måle brand på. Potentielle kunder, der er bevidste om brandet, går ikke nødvendigvis ind på din hjemmeside.
Så hvad er den gyldne måde at måle et brand på? Spørgeskemaundersøgelser, geo- og kontrolgruppetests.
Brandgenkaldelse og hjulpet/uhjulpet genkaldelse i spørgeskemaundersøgelser
Spørgeskemaundersøgelser (både hjulpne og uhjulpne), der traditionelt bruges af store mediebureauer samt FMCG- og CPG-brands, er en fremragende måde at måle brandmarketingkampagner på.
Ved uhjulpet genkaldelse bliver deltagerne bedt om at huske brands, produkter eller annoncer uden stikord, hvilket tester spontan brandgenkaldelse.
Hjulpet genkaldelse giver derimod deltagerne stikord eller ledetråde, som hjælper dem med at huske.
Disse undersøgelser kan måle marketingaktiviteternes effekt på brandkendskab og genkaldelse over tid. Du har måske bemærket, at de dukker op i dit YouTube-nyhedsfeed eller på dine sociale medier:
- "Hvilke af disse brands ville du overveje at købe næste gang, du leder efter X?"
- "Hvilken af disse brandannoncer husker du at have set inden for de seneste syv dage?".
Efterhånden som dit brand får en større markedsandel, bør din hjulpne og uhjulpne kendskabsgrad stige.
Platforme til betalt annoncering på sociale medier og i søgemaskiner tilbyder også disse undersøgelser som en del af deres målingsværktøjer. LinkedIn introducerede for nylig brandløftundersøgelser, der måler genkaldelse blandt en gruppe personer, som så din annonce på Linkedin, og en gruppe personer, som ikke gjorde.
Facebook introducerede noget lignende. Tidligere var disse undersøgelser kun tilgængelige for store annoncører på platformen, men nu er de begge tilgængelige for selvbetjeningsannoncører.
Geo- og kontrolgruppetests
Hvordan måler man en OOH-kampagne som f.eks. billboards? Da vi gjorde det for os selv og vores kunder, så vi på en stigning i trafikken fra den by, hvor vi gennemførte billboardkampagnen, eller på omtaler af brandet.
Princippet bag dette er kontrolgruppeafprøvning (og, når det udføres på geografisk niveau, geografisk testning).
Kontrolgruppeafprøvning, eller test med kontrolgruppe, indebærer, at man undlader bestemte marketingaktiviteter over for et segment af målgruppen for at sammenligne deres adfærd med adfærden hos dem, der oplevede marketingaktiviteten.
Denne metode måler direkte incrementalitet ved at vise, hvad der ville ske uden bestemte marketingindsatser. Hvis NYC for eksempel gennemfører en billboardkampagne, mens en sammenlignelig by (for argumentets skyld Toronto) ikke har billboards, opstår der en sammenlignelig forskel i de vigtigste målepunkter for de to byer.
Bemærkning om OOH – at købe ét billboard i to uger vil ikke have en stor effekt –
Læring: Vi lejede et mobilt billboard til Hubspots årlige konference i Boston i to dage. Selvom det skabte en del omtale på sociale medier & gav en fantastisk historie – fik vi ikke den trafikstigning, vi ønskede. Men vi fik opmærksomhed ved at gøre noget, der blev opfattet som »dyrt« (OOH) & anderledes.
Fra måling til handling
Her er den grundlæggende pointe i denne artikel: Du kan og bør måle din marketing- og brandindsats. Lad ikke nogen fortælle dig noget andet.
Selv når du gør det, skal du opbygge et eksperimentelt system, der gør det muligt hurtigt at iterere og gradvist fremme bedre idéer baseret på det, du lærer af det, du måler.
Det er en helt anden artikel. Men ud over taktikkerne kræver det en klar tankegang, at man bevidst opbygger en marketingfunktion, der både bevæger sig hurtigt og langsomt, samt at man forstår, hvad der skal måles ugentligt, og hvad der skal måles kvartalsvist (eller årligt). Du har også brug for den rigtige software til marketinganalyse.
Følg med for mere. Mens du venter, bør du også tilmelde dig vores nyhedsbrev, der er kurateret til marketingledere, og få de nyeste trends, indsigter og taktikker leveret direkte i din indbakke.
